基于多目標演化算法的動態(tài)聚類方法研究.pdf

1、聚類問題一直是數(shù)據(jù)挖掘領(lǐng)域的一個重要研究方向。雖然傳統(tǒng)的劃分聚類算法方法簡單、執(zhí)行速度快且效率高，但是由于其迭代法和爬山法的本質(zhì)，使得算法容易陷入局部最優(yōu)而得不到全局最優(yōu)解。而且算法需要人為預(yù)先指定類別個數(shù)，同時對于不同屬性的數(shù)據(jù)效果差異很大，即算法的通用性不高。近年來，隨著演化計算的不斷發(fā)展，聚類算法同演化計算的結(jié)合日益廣泛。利用演化計算隨機、最優(yōu)化全局搜索特征，同傳統(tǒng)的聚類算法形成有效的互補，很好的解決了傳統(tǒng)聚類算法易陷入局部最優(yōu)而

2、得不到全局最優(yōu)解的不足。但是對于傳統(tǒng)算法的另外兩個不足，現(xiàn)有的演化聚類算法仍然沒有找到行之有效的解決方法。本文在現(xiàn)有的演化聚類算法的基礎(chǔ)上，引入多目標優(yōu)化策略，采用變長染色體編碼方式，提出了一種新穎的聚類方法——基于多目標演化算法的動態(tài)聚類方法，較好的解決了現(xiàn)有算法的不足。本文的主要工作和特色如下： (1)采用變長染色體編碼方式使得算法可以進行動態(tài)聚類。各個染色體長度的不同意味著各個染色體所包括的類別數(shù)目的不同，這樣在編碼的同時

3、可以選擇不同的類別數(shù)目而不相互干擾，并在演化過程中同時完成對類別個數(shù)以及每個類的優(yōu)化，實現(xiàn)了不需要預(yù)設(shè)類別數(shù)目的動態(tài)聚類。 (2)將多目標優(yōu)化策略引入聚類方法。算法采用多個適應(yīng)度函數(shù)而不是傳統(tǒng)的單個適應(yīng)度函數(shù)，將聚類問題視為多目標優(yōu)化問題。使用多個適應(yīng)度函數(shù)使得算法對于不同屬性的數(shù)據(jù)集都具有良好的聚類效果，提高了算法的通用性。 (3)基于GapStatistic理論，設(shè)計了一種從最優(yōu)解集(ParetoOptimalSet